Chapter 2 | Visual Communication and the Irish Graphic Design Industry
2.2. Graphic Design Visual Communication Definition
2.2.1 The Visual Communication Educational Context
Ser y no estar es no ser y estar sin ser no vale la pena
Dalmiro Sáenz, El Depredador
Filtros ADME/Tox generales.
Filtros ADME/Tox particulares.
omo ya se mencionó, el costo creciente del desarrollo de nuevos fármacos se debe en parte a que recién cuando los compuestos se están evaluando en las fases clínica I,II y III, surgen los problemas vinculados a su posible uso como medicamentos (justamente, las fases más costosas en un programa de investigación y desarrollo de nuevos fármacos). Los problemas en cuestión incluyen características no óptimas de absorción, distribución, metabolismo y excreción, así como también toxicidad, aspectos a los que nos referimos usualmente como ADME/Tox o ADMET. Como consecuencia de esta situación, las industrias farmacéuticas internacionales han adoptado una estrategia que podría sintetizarse bajo el lema si fallas temprano, fallas barato [1-4]. No podemos insistir lo suficiente en el hecho de que existen fuertes cuestiones éticas que obligan al investigador a realizar cuantos esfuerzos estén a su alcance para disminuir la tasa de fracasos en las inevitables etapas pre-clínicas y clínicas de evaluación: en ambos casos se involucran seres vivos en los estudios, y en el segundo caso, seres humanos.
Es así que un gran número de ensayos in vitro han sido desarrollados para evaluar las propiedades de absorción (por ej. los modelos con células Caco-2 y MDCK) y la metabolización utilizando microsomas o hepatocitos [5]. Si bien estos modelos in vitro son sumamente valiosos, los mismos tienen algunas desventajas: requieren muestras para realizar los ensayos, y consumen recursos y tiempo (estos últimos no siempre son compatibles con los tiempos logrados en el screening de alta performance). Esto ha motivado un gran interés en el desarrollo de filtros computacionales para predecir las características ADMET de compuestos activos.
De acuerdo con la filosofía anteriormente expuesta, en el presente estudio se han aplicado, conjuntamente con la df ya descrita, filtros ADME/Tox generales (aquellos que no fueron desarrollados específicamente para este trabajo de tesis, siendo de aplicación extendida en el campo de desarrollo de nuevos fármacos a nivel de la industria farmacéutica internacional) y dos filtros ADME/Tox particulares: un modelo de permeación a través de la BBB y un segundo filtro referido a la neurotoxicidad de los compuestos evaluados.
Filtros ADME/Tox generales.
Se utilizaron dos filtros ADME/Tox generales: la llamada regla
de cinco de Lipinski y el valor óptimo del coeficiente del log P para
difusión pasiva a través de la BBB.
La regla de cinco de Lipinski es una regla empírica derivada del análisis de bases de datos de fármacos de uso clínico (sin considerar polipéptidos y sales de amonio cuaternario) [6]. La misma establece que una pobre permeabilidad o absorción de un fármaco al ser
administrado por vía oral es muy probable si dos o más de las siguientes condiciones no se cumplen:
• Peso molecular menor a 500
• Número de dadores de enlaces de hidrógeno menor o igual a 5 • Número de aceptores de enlaces de hidrógeno menor o igual a 10
• Coeficiente de reparto octanol-agua entre -5.0 y 5.0
(equivalente a log P de Moriguchi –mlogP – entre -4.15 y 4.15).
La regla de Lipinski expresa, mediante una serie de condiciones sencillas, el hecho conocido de que la biodisponibilidad por vía oral de un fármaco depende (además de cuestiones relacionadas con la tecnología farmacéutica del vehículo) de un balance entre su hidrofilia y su lipofilia. En primer lugar, el fármaco debe estar en solución para poder absorberse y la velocidad de absorción a través de la barrera intestinal será por otro lado aproximadamente proporcional a la diferencia de concentraciones del fármaco a ambos lados de la membrana intestinal. Sin embargo, un fármaco excesivamente polar presentará dificultades de permeabilidad a través de las membranas biológicas. Las reglas de Lipinski son uno de los criterios más usados en la actualidad para definir si un compuesto químico es drug- like , es decir, si posee una serie de características estructurales que lo convierten, potencialmente, en un fármaco a partir del cual se puede desarrollar un medicamento [7]. En los histogramas de la Figs. 8.1 a 8.4 puede observarse que casi la totalidad de las estructuras de la base de datos de 459,718 estructuras cumplen con la regla de cinco. Hemos analizado los valores de los cuatro descriptores involucrados en la regla de Lipinski para las estructuras de la base de datos, determinando que el 99.3% de las mismas cumple con al menos tres de las condiciones de la regla de Lipinski y por lo tanto presentan altas probabilidades de presentar buena biodisponibilidad oral (para ello se
ha restado al número total de estructuras el número de estructuras que no cumplen con dos, tres y cuatro de las condiciones de la regla).
Fig. 8.1. Distribución de pesos moleculares de las 459,718 estructuras de la base de datos.
Fig. 8.2. Distribución del número de dadores de enlaces de H para las 459,718 estructuras de la base de datos.
Distribución del número de dadores de enlaces de H
0 1 2 3 4 5 6 7 8 Dadores de enlaces de H 0 20000 40000 60000 80000 1E5 1.2E5 1.4E5 1.6E5 1.8E5 2E5 2.2E5 2.4E5 2.6E5 2.8E5 N ú m er o d e ob se rv ac ion es
Distribución de pesos moleculares
0 200 400 600 Pe so mole cul ar 0 20000 40000 60000 80000 1E5 1.2E5 1.4E5 1.6E5 1.8E5 2E5 2.2E5 2.4E5 N ú me r o de o b se r v a c io ne s
Fig. 8.3. Distribución del número de aceptores de enlaces de H para las 459,718 estructuras de la base de datos.
Fig. 8.3. Distribución de valores de mlogP para las 459,718 estructuras de la base de datos.
Por otro lado, en el caso de fármacos anticonvulsivos, como en el caso general de fármacos que actúan a nivel del SNC, el pasaje del
Distribución del número de aceptores de enlaces de H
0 2 4 6 8 10 12 14 16
Número de aceptores de enlaces de H
0 10000 20000 30000 40000 50000 60000 70000 80000 90000 1E5 N ú m er o d e ob se rv ac ion es
Distribución de valores de mlogP
-8 -4 0 4 8 mlog P 0 20000 40000 60000 80000 1E5 1.2E5 1.4E5 1.6E5 1.8E5 2E5 2.2E5 N ú me r o de o b se r v a c io ne s
fármaco a través de la BBB es un paso crítico para ejercer la actividad terapéutica. La BBB es una estructura formada por las células endoteliales de los capilares del cerebro y la médula espinal; éstas forman entre sí uniones estrechas debidas a la presencia de proteínas transmembrana que bloquean la libre difusión paracelular de solutos acuosos, restringiendo bidireccionalmente el pasaje de compuestos polares [8]. Se ha determinado que un valor óptimo del logP para difusión pasiva a través de la barrera hematoencefálica de 2 [9,10]. En base a lo expuesto se ha aplicado un filtro secundario consistente en retener, en el proceso de SV, sólo aquellas estructuras con mlog P entre 1.0 y 3.0. Este filtro constituye además una aproximación indirecta para seleccionar estructuras seguras: los compuestos de log P bajo tienden a eliminarse con mayor facilidad (principalmente a través de la orina) mientras que los fármacos con logP elevado tienden a una mayor acumulación en tejidos y deben metabolizarse más extensamente en el hígado para posibilitarse su eliminación a través de la orina, aumentando la probabilidad de generarse de esta manera metabolitos tóxicos [11]. Un ejemplo clásico de esta situación son las vitaminas: las vitaminas liposolubles (vit. A, D, E y K) son tóxicas por bioacumulación si se ingieren por encima de la dosis diaria recomendada, mientras que no ocurre así con las vitaminas hidrosolubles (B y C) que se eliminan fácilmente en orina.
Las 2,719 estructuras seleccionadas mediante SV y aplicación de los filtros generales fueron posteriormente sometidas a los filtros particulares (modelos de permeación a través de la BBB y neurotoxicidad) que se describen en el apartado siguiente.
Filtros particulares.
Se generaron, mediante MLR – Stepwise Forward, filtros para cuantificar la permeabilidad a través de la BBB y la capacidad de producir ataxia en el modelo del Rotorod. En ambos casos se utilizó una tolerancia de 0.5 para evitar la inclusión de pares de descriptores redundantes.
El modelo de permeación a través de la BBB se generó a partir de 75 compuestos estructuralmente diversos extraídos de dos estudios similares llevados a cabo por Platts y colaboradores y Pan y colaboradores [12,13]. La variable dependiente modelada fue el log BB, siendo BB la relación entre las concentraciones de equilibrio en cerebro y sangre. Siguiendo la idea de entrenar el modelo con compuestos de características similares a aquellos en los que se va a aplicar, se procuró incluir en el conjunto de entrenamiento moléculas
drug-like , excluyendo estructuras que los autores anteriores
incluyeron en sus respectivos conjuntos de entrenamiento pero que no poseían características estructurales propias de un fármaco (por ejemplo, gases nobles, pentano, hexano, benceno, tolueno, etc.). Las estructuras incluidas en el conjunto de entrenamiento pueden verse en las figs. 8.5a y 8.5b. En la fig. 8.6 se presenta la distribución de valores de log BB para las 75 estructuras del conjunto de entrenamiento; como puede verse, se encuentran bien distribuidos a lo largo de más de cuatro órdenes logarítimicos.
El modelo de neurotoxicidad se generó a partir de un conjunto de entrenamiento de 29 estructuras con TD50 (ratón, vía de administración intraperitoneal) conocida, determinada mediante el ensayo de rotorod. Los datos de TD50 fueron extraídos de literatura [14-22]. Las
estructuras de los compuestos pueden verse en la fig. 8.7. Los valores
de TD50 se hallan distribuidos a lo largo de sólo dos órdenes logarít-
Fig. 8.5a. Estructuras de los compuestos que componen el conjunto de entrenamiento del modelo de permeabilidad (continúa en página siguiente).
Fig. 8.5b. Estructuras de los compuestos que componen el conjunto de entrenamiento del modelo de permeabilidad (viene de página anterior).
Fig. 8.6. Distribución de valores de log BB para los 75 compuestos que constituyen el conjunto de entrenamiento para el modelo de permeabilidad a través de la barrera hematoencefálica.
Fig. 8.7. Estructuras de los compuestos que componen el conjunto de entrenamiento del modelo de neurotoxicidad.
micos (log TD50 entre 1.6 y 3.6); sin embargo, no se han encontrado datos en literatura fuera de ese intervalo.
Los modelos obtenidos fueron validados mediante validaciones LOO y LGO (removiendo, sistemáticamente, siete grupos de 10 compuestos y un grupo de 5 en el caso del modelo de permeabilidad, y 4 grupos de 6 compuestos y un grupo de 5 en el caso del modelo de neurotoxicidad), ensayo de aleatorización y validación externa con un conjunto independiente de 40 compuestos (modelo de permeabilidad) y un conjunto independiente de 12 compuestos (modelo de neurotoxicidad).
Los modelos generados y los resultados de la validación LOO y LGO para los mismos fueron:
• logBB = 2.3723 + 0.5041 x GATS6v + 0.2506 x nX + 0.2072 x MLOGP + 0.2009 x H-053 - 0.1255 x PHI - 1.1460 x IC1
N=75 r2 = 0.76 F = 34.97 SEE =0.44 q2LOO = 0.70 SEELOO = 0.49 q2LGO = 0.62 SEELGO = 0.53
Donde GATS6v es la autocorrelación de Geary de orden 6 ponderada por volúmenes atómicos de Van der Waals; nX representa el número de átomos de halógenos; mlogP es el coeficiente de reparto octanol-agua según Moriguchi; H-053 representa hidrógenos unidos a un átomo de carbono sp3 a) unido a su vez a un átomo de oxígeno y b) adyacente a otro carbono unido a dos heteroátomos; PHI representa el índice de flexibilidad de Kier; IC1 representa, como ya hemos definido, el contenido de información de primer orden. Se observa que, como es bien sabido, la permeabilidad aumenta con el valor del log P; por otro lado, la
presencia de heteroátomos (que tiende a aumentar el valor de IC1 por generar una mayor diversidad en el conjunto de vecindades) disminuye la permeabilidad, aunque en menor medida si los heteroátomos son halógenos (nótese que a mayor valor del descriptor nX mayor la permeabilidad) por cuanto los halógenos no son capaces de formar enlaces de puentes de H siendo que la capacidad de la molécula para establecer puentes de H en general atenta contra la permeabilidad a través de la BBB. Asimismo, la abundancia de pares de átomos formados por átomos de volumen atómico desigual separados a una distancia topológica de 6 aumenta la permeabilidad; esto tiene sentido si se considera que valores altos de GATS6v podrían ser indicativos de una distribución no uniforme de los heteroátomos en la molécula. En contraste, la flexibilidad, probablemente por una cuestión entrópica, atenta contra la absorción.
Puede observarse que el modelo permite predecir valores de log BB con un error cercano media unidad logarítmica. La relación entre el número de casos y el número de descriptores (12.5) es adecuada. Los resultados de ambas validaciones cruzadas son buenos (la SEE de ambas es similar a la del modelo original, y q2 es mayor a 0.5 en ambos casos). En la validación externa el 85% de los compuestos fueron predichos con un residual menor a 2 SEE.
• Log TD50 = 1.5758 - 0.3411 x Hy - 0.8715 x O-059 – 0.1423 x nCIR + 0.0308
x (D/D)1/3 + 0.6524 x BELm2
N=29 r2 = 0.82 F = 20.38 SEE =0.22 q2LOO = 0.74 SEELOO = 0.26 q2LGO = 0.66 SEELGO = 0.30
donde Hy representa el factor hidrofílico; O-059 representa el número de grupos éter; nCIR representa el número de circuitos que pueden trazarse en la molécula; (D/D)1/3 es un índice definido por nuestro grupo de trabajo como la raíz cúbica de la relación entre el índice Detour y el número de átomos dadores de enlaces de H en una molécula (que ha demostrado ser inversamente proporcional a la solubilidad acuosa) [23,24] y BELm2 representa el segundo menor autovalor de la matriz Burden ponderada por la masa atómica (esta matriz topológica posee los elementos diagonales iguales a la masa atómica de los átomos; a los elementos no diagonales correspondientes a átomos unidos por un enlace químico se les asigna un valor igual al orden de enlace sobre 10; a los elementos correspondientes a un enlace terminal se les suma 0.01 y todos los demás elementos no diagonales valen 0.001). Si bien el modelo no es fácil de interpretar, puede observarse que a mayor hidrofilia/solubilidad acuosa menor neurotoxicidad (tal vez por una menor llegada al sistema nervioso central y una mayor facilidad de eliminación de sustancias hidrofílicas) y que la neurotoxicidad parece disminuir, dentro de los rangos de descriptores que abarca el conjunto de entrenamiento, con la presencia de grupos grupos éter y de anillos en la estructura (en particular si se trata de ciclos fusionados, ya que de esta manera aumenta el número de circuitos que pueden recorrerse en la molécula).
En este caso las validaciones cruzadas LOO y LGO también dieron buenos resultados; la validación externa arrojó residuales menores a 0.5 unidades logarítmicas en el 75% de los compuestos.
Las figs. 8.8 a 8.11 presentan los resultados del test de aleatorización y los gráficos de residuales versus residuales en
la validación cruzada LOO para ambos modelos, observándose resultados que indican robustez en ambos casos.
Fig. 8.8. Resultados del ensayo de aleatorización del modelo de permeabilidad. Se observa que el modelo original es estadísticamen- te superior a los modelos que se obtienen por aleatorización. Fig. 8.9. Resultados de la validación cruzada LOO. La buena correlación entre los residuales LOO y los residuales del modelo original indica la robustez del modelo. original 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 r2 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 q 2 -1.4 -1.2 -1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 Residual -1.6 -1.4 -1.2 -1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2 R e s idu al v a li d a c ió n c ruz ad a LO O r2 = 0.9237
Figura 8.10. Resultados del ensayo de aleatorización para el modelo de neurotoxicidad. Figura 8.11. Gráfico de residuales LOO versus residuales del modelo original.
De las 2,719 estructuras seleccionadas por la df y los filtros generales a partir de las 459,718 estructuras de la base de datos, se seleccionaron aquellas que, según los modelos anteriores poseen un log BB mayor a -0.5 (indicando que en el equilibrio, la concentración en
-0.1 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 r2 -1.2 -1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 q 2 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 residual -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 re s id ual v al id ac ión c ruz ad a L O O r2 = 0.8250
cerebro es al menos un 30% de la concentración en sangre) y un TD50 en el ensayo de Rotorod mayor a 300 mg/kg (como según el programa del NIH se seleccionarán aquellos fármacos activos a 30 y 100 mg/kg, estaríamos ante un índice terapéutico mínimo cercano a 3). 2,227 de esas estructuras cumplieron con la restricción impuesta por el modelo de permeabilidad, 2,078 superaron el filtro de neurotoxicidad y sólo 1,740 cumplieron ambos requisitos en forma simultánea. En la figura 8.12 se presentan veinte de las estructuras elegidas, con sus respectivos valores de df, log BB (predicho) y TD50 en el ensayo de Rotorod (predicho).
Fig. 8.12. 10 de las estructuras que superaron todos los filtros en el proceso de SV. Se incluyen los valores predichos de df, logBB y TD50.
De esta manera, mediante aplicación de la df, la regla de Lipinski, el valor óptimo del log P para permeación a través de la BBB y los filtros particulares de permeación y neurotoxicidad hemos
arribado a 1,740 estructuras potencialmente anticonvulsivas,
biodisponibles a nivel del SNC tras administración oral y con bajas probabilidades de producir neurotoxicidad.
Referencias
1. Eddershaw, P.J. ADME/PK as part of a rational approach to drug discovery. Drug Discov. Today. 2000, 5, págs. 409-414
2. Atterwil, C.K.; Wing, M.G. In vitro preclinical lead optimization technologies (PLOTs) in pharmaceutical development. Toxicol. Lett.
2002, 127, págs. 143-151
3. Roberts, S.A. Drug metabolism and pharmacokinetics in drug
discovery. Curr. Opin. Drug. Discov. Dev. 2003, 6, págs. 66-80 4. Lin. J; Sahakian, D.C.; de Morais, S.M.; Xu, J.J.; Polzer, R.J.;
Winter The role of absorption, distribution, metabolism and toxicity in drug discovery. Curr. Top. Med. Chem. 2003, 3, págs. 1125-1154
5. Clark, D.E.; Pickett, S.D. Computational methods for the prediction of drug-likeness . Drug. Discov. Today. 2000, 5, págs. 49-58
6. Lipinski, C.A.; Lombardo, F.; Dominy, B.W.; Feeney, P.J.
Experimental and computational approaches to estimate solubility and permeability in drug discovery and development settings. Adv. Drug Deliv. Rev. 2001, 46, págs. 3-26
7. Lipinski, C.A. Lead- and drug-like compounds: the rule of five revolution. Drug Discov. Today: Technol. 2004, 1, págs. 337-341
8. Begley, D.J. Delivery of therapeutic agents to the central nervous
system: the problems and the possibilities. Pharmacol. Therapeut.
2004, 104, págs. 29-45
9. Ter Laak, A.M.; Tsai, R.S.; Donné-Op den Kelder, G.M.; Carrupt, P.A.; Testa, B.; Timmerman, H. Eur. J. Pharm. Sci. 1994, 2, págs. 373-384
10. Hadjipavlou-Litina, D. Review, reevaluation, and new results in quantitative structure-activity studies of anticonvulsants. Med. Res. Rev. 1998, 18, págs. 91-119
11. Smith, C.J.; Hansch, C. The relative toxicity of compounds in mainstream cigarette smoke condensate. Food. Chem. Toxicol. 2000, 38, págs. 637-646
12. Platts, J.A.; Abraham, M.H.; Zhao, Y.H.; Hersey, A.; Ijaz, L.; Butina, D. Correlation and prediction of a large blood-brain
distribution dataset – an LFER study. Eur. J. Med. Chem. 2001, 36, págs. 719-730
13. Pan, D.; Manisha, I.; Liu, J.; Li, Y.; Hopfinger, A.J.
Constructing optimum blood brain barrier QSAR models using a combination of 4D-molecular similarity measures and cluster analysis. J. Chem. Inf. Comput. Sci. 2004, 44, págs. 2083-2098 14. Andurkar, S.V.; Béguin, C.; Stables, J.P.; Kohn, H. Synthesis and
Structural Studies of Aza Analogues of Functionalized Amino Acids: New Anticonvulsant Agents. J. Med. Chem. 2001, 44, págs. 1475-1478 15. Luszczkia, J.J.; Czuczwara, S.J. Interaction between lamotrigine
and felbamate in the maximal electroshock-induced seizures in mice: an isobolographic analysis. Eur. Neuropsychopharm. 2005, 15, págs. 133-142
16. Schenck, H.A.; Lenkowski, P.W., Choudhury-Muhkerjee, I.; Ko, S.; Stables, J.P.; Patel, M.K.; Brown, M.L. Design, synthesis and
evaluation of novel hydroxyamides as orally available
anticonvulsants. Bioorg. Med. Chem. 2004, 12, págs. 979-993
17. Isoherranen, N.; Levy, R.H.; Yagen, B.; Woodhead, J.H.; White, H.S.; Bialer, M. Metabolism of a new antiepileptic drug, N-methyl- tetramethylcyclopropanecarboxamide, and anticonvulsant activity of its metabolites. Epilepsy Res. 2004, 58, págs. 1-12
18. Béguin, C.; LeTiran, A.; Stables, J.P.; Voyksnerc, R.D.; Kohn, H.
N-Substituted amino acid NO-benzylamides: synthesis,
anticonvulsant, and metabolic activities. Bioorg. Med. Chem. 2004, 12, págs. 3079-3096
19. Bialer, M.; Johannessen, S.I.; Kupferberg, H.J.; Levy, R.H.; Loiseau, P.; Perucca, E. Progress report on new antiepileptic drugs: a summary of the fourth Eilat conference (EILAT IV).
Epilepsy Res. 1999, 34, págs. 1-41
20. Obniska, J.; Kaminski, K.; Zagorska, A.; Dzierzawska-Majewska, A.; Karolak-Wojciechowska, J. Synthesis and anticonvulsant activity of new fluorinated N-phenyl- and N-benzyl-2-azaspiro[4.4]nonane- and [4.5]decane-1,3-dione derivatives: Part III. J. Fluorine Chem. 2006, 127, págs. 417-425
21.Li, X.; Morrow, D.; Witkin, J.M. A pharmacophore derived phenytoin analogue with increased affinity for slow inactivated sodium channels exhibits a desired anticonvulsant profile. Life Sci. 2006, 78, págs. 1933-1939
22. Abdel-Hafez, A.A. Synthesis and Anticonvulsant Evaluation of N- Substituted-Isoindolinedione Derivatives. Arch Pharm Res. 2004, 27, págs 495-501
23. Talevi, A.; Castro, E.A.; Bruno-Blanch, L.E. New solubility models based on descriptors derived from the detour matrix. J. Arg. Chem. Soc. 2006, 94, págs. 129-141
24. Duchowicz, P.R.; Talevi, A.; Bruno-Blanch, L.E.; Castro, E.A. Application of descriptors based on Lipinski´s rules in the QSPR study of aqueous solubility. Bioorg. Med. Chem. 2007, 15, páfs. 3711-3719